DynamicConv: Dynamic Convolutional Networks for Next-Item Recommendation in CIKM 2020

ABSTRACT

近年来，在推荐系统领域对顺序用户交互建模方面的研究已经展现出显著的应用前景。然而，在这种场景下主要依靠固定设计的网络架构来捕捉用户的序列行为模式。针对这篇论文的研究背景而言，在对话式场景下项目的跨项目转换过程中的全部动力学特性都未能被传统模型所捕捉到其全部动力学特性都未能被传统模型所捕捉到其全部动力学特性都未能被传统模型所捕捉到其全部动力学特性都未能被传统模型所捕捉到其全部动力学特性都未能被传统模型所捕捉到其全部动力学特征未被传统模型完整捕获这一问题为此提出了一种名为DynamicRec的新方法通过自适应调整滤波器参数以反映输入特征的变化情况这些实验表明我们的方法实现了比现有模型更好的性能结果

不同电子商务平台上的用户与项目的互动频繁发生，并通过一系列动态操作进行处理。这些平台通常采用会话密钥来记录短时间内发生的此类交互行为。在此背景下，推荐系统的目标在于从用户的短序列行为变化中捕捉其序列行为特征，并预测用户下一步可能参与的项目。随着深度学习技术的发展，在线递归神经网络（RNNs）与卷积神经网络（CNNs）的应用逐渐受到关注，并被整合到基于会话的个性化推荐体系中以提高推荐效果的可能性越大。这类模型的优势在于能够基于隐藏状态（RNN）或固定窗口内的历史动作（CNN）来总结用户的活动模式，并在此基础上生成推荐结果。例如，在GRU4Rec模型中，默认采用门